XiaoMi-AI文件搜索系统
World File Search System创作方法
研究论文基于空间分离感知算法的智能动画创作方法
在计算机群体动画创作技术中，计算机动画的人工生命方法克服了传统动画创作技术的缺陷，大大提高了动画创作效率。但是由于该方法采用的动画角色建模技术越来越复杂，导致动画系统模型之间的耦合度也越来越高，使得动画创作难度越来越大，特别是当角色数量增加时，计算量会以非线性的方式迅速增加，大大影响了动画创作的实时性，限制了该方法的广泛应用。本文对动画角色模型的设计及其实现技术进行了深入的研究与实现，对群体动画角色模型进行了分析与设计，并设计了空间分离感知算法，有效降低了角色生物力学模型的设计难度，减少了计算量，进一步保证了大规模群体动画创作的实时性。因此，该研究在不降低动画效果和实时性的情况下，降低了动画系统模型之间的耦合度。减少了计算机运算量，满足了大规模群体动画创作的实时性要求，具有重要的意义和价值。
机器教学交互设计助力人工智能导师培养
摘要 事实证明，智能辅导系统 (ITS) 无论是单独使用还是与传统教学相结合，都能够提高学生的学习成果。然而，构建 ITS 是一个耗时的过程，需要现有工具的专业知识。现有的创作方法，包括认知导师创作工具 (CTAT) 的示例追踪方法和 SimStudent 的辅导创作，都使用演示编程，使创作者能够比使用模型追踪进行手动编程更快地构建 ITS。然而，这些方法仍然存在创作时间长或难以创建完整模型的问题。在本研究中，我们证明使用学徒学习者 (AL) 框架构建的模拟学习者可以与一种强调模型透明度、输入灵活性和问题解决控制的新颖交互设计相结合，使创作者能够比现有创作方法在更短的时间内实现更高的模型完整性。
Ken Déguernel、Mathieu Giraud、Richard Groult、Sebastien Gulluni。从旋律到结构，个性化 AI 实现共同创作音乐。声音与音乐计算 (SMC 2022)，2022 年，法国圣艾蒂安。第 314-321 页，�10.5281/zenodo.6573287�。�hal-03618015�
共同创造是一种独特的艺术情境，人与计算机互动，对互动性、可操控性和个性化提出了挑战。我们提出了一种新的共同创作音乐创作方法，我们在参加“2021 年人工智能歌曲大赛”时采用了这种方法，这是一项涉及人工智能 (AI) 的国际音乐比赛。我们对人工智能创作方法进行了个性化，以适应作曲家的需求和期望。作曲家与不同人工智能方法之间的互动贯穿整个作曲过程，包括通过基于机器学习的人工智能的数据共享和基于规则的人工智能的知识共享来生成旋律、和弦进行、整体结构和纹理变化。我们描述了这些人工智能方法以及作曲家如何与它们互动：人工智能方法的个性化使作曲家能够在保持原有风格的同时探索新的音乐领域，人工智能音乐生成“听起来就像是专门为他生成的”。歌曲“The last moment before you fly”在本次比赛中排名第三，评委强调了这首歌的“个人感觉”。我们在这里讨论这些方法如何为使用人工智能和个性化的新共同创作方法开辟道路。
情感算法作曲
摘要：众所周知，情感音乐创作系统可以触发人类的情感。然而，设计这种系统来刺激用户的情感仍然是一个挑战，因为汇总该领域现有文献以帮助推进研究和知识的研究有限。本研究对情感算法创作系统进行了系统的文献综述。根据系统综述协议，从 IEEE Xplore、ACM 数字图书馆、SpringerLink、PubMed、ScienceDirect 和 Google Scholar 数据库中选择了 18 项主要研究。研究结果表明，缺乏一个独特的定义来概括各种类型的情感算法创作系统。因此，提供了一个独特的定义。研究结果还表明，大多数情感算法创作系统都是为游戏设计的，以提供背景音乐。生成创作方法是最常用的创作方法。总体而言，该领域的研究数量相当少。这些趋势的可能原因是缺乏情感音乐创作系统的共同定义，以及缺乏对现有系统的设计、实施和评估的详细记录。
利用 LLM 的力量：通过新闻标题生成的视角评估人机文本共同创作
大型语言模型 (LLM) 的最新进展，包括生成式预训练 Transformer (GPT) 系列 (Brown 等人，2020 年)，已经打破了之前类人文本生成的天花板 (Bommasani 等人，2021 年)。这导致了 NLP 任务的范式转变，与任务无关的 LLM 超越了其他最先进的特定于任务的模型的性能 (Lee 等人，2022 年)。然而，LLM 支持的系统并非没有缺陷，经常会出现幻觉、偏见或偶尔产生不适当内容，例如有害、歧视性或误导性信息（Wang 等人，2022 年）。人机文本共同创作（或在 AI 的帮助下写作）允许对生成过程进行一些控制，并有机会克服一些 LLM 缺陷。共同创作方法在总结（Goyal 等人，2022 年；Bhaskar 等人，2022 年）和创意写作（Moore 等人，2023 年；Cao，2023 年；Yuan 等人，2022 年；Ding 等人，2023 年）等领域显示出巨大的前景。然而，由于人工智能缺乏问责制（Shneiderman，2022 年），当文本共同创作过程中出现错误时，责任负担将转移到人类身上。